TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Este aplicativo sabe como nos sentimos — pela expressão no nosso rosto
Filmed:
Readability: 4.3
1,613,290 views
As nossas emoções influenciam cada aspeto da nossa vida: como aprendemos, como comunicamos, como tomamos decisões. Contudo, elas estão ausentes da nossa vida digital. As ferramentas e aplicativos com que interagimos não sabem como nos sentimos. A cientista Rana el Kaliouby pretende mudar isso. Ela apresenta uma nova tecnologia poderosa que lê as expressões faciais e as liga às emoções correspondentes. O ''mecanismo da emoção'' tem grandes implicações, diz ela, e pode mudar não só a forma como interagimos com máquinas, mas também como interagimos uns com os outros.
Rana el Kaliouby - Computer scientist
What if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware. Full bio
What if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware. Full bio
Double-click the English transcript below to play the video.
00:12
Our emotions influence
every aspect of our lives,
every aspect of our lives,
0
556
4017
As nossas emoções influenciam
todos os aspetos da nossa vida,
todos os aspetos da nossa vida,
desde a nossa saúde,
a forma como aprendemos
a forma como aprendemos
00:16
from our health and how we learn,
to how we do business and make decisions,
to how we do business and make decisions,
1
4573
3576
até como trabalhamos
e tomamos decisões,
e tomamos decisões,
00:20
big ones and small.
2
8149
1773
sejam elas pequenas ou grandes.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
As nossas emoções também influenciam o modo
como nos relacionamos uns com os outros.
como nos relacionamos uns com os outros.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
Nós evoluímos para viver
num mundo como este.
num mundo como este.
00:31
but instead, we're living
more and more of our lives like this --
more and more of our lives like this --
5
19108
4319
Mas, em vez disso, vivemos
cada vez mais desta forma.
cada vez mais desta forma.
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
— esta foi a mensagem
da minha filha ontem à noite —
da minha filha ontem à noite —
00:38
in a world that's devoid of emotion.
7
26561
2740
num mundo desprovido de emoção.
Eu estou numa missão para mudar isto.
00:41
So I'm on a mission to change that.
8
29301
1951
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
Quero fazer voltar as emoções
às nossas experiências digitais.
às nossas experiências digitais.
00:48
I started on this path 15 years ago.
10
36223
3077
Comecei neste caminho há 15 anos.
Eu era cientista de informática no Egito,
00:51
I was a computer scientist in Egypt,
11
39300
2066
00:53
and I had just gotten accepted to
a Ph.D. program at Cambridge University.
a Ph.D. program at Cambridge University.
12
41366
4505
e tinha sido aceite
num programa de doutoramento
num programa de doutoramento
na Universidade de Cambridge.
00:57
So I did something quite unusual
13
45871
2113
Então, fiz uma coisa bastante invulgar
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
para uma jovem esposa
egípcia e muçulmana.
egípcia e muçulmana.
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
Com o apoio do meu marido,
que teve que ficar no Egito,
que teve que ficar no Egito,
01:08
I packed my bags and I moved to England.
16
56598
3018
fiz as malas e fui para Inglaterra.
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
Em Cambridge,
a milhares de quilómetros de casa,
a milhares de quilómetros de casa,
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
percebi que estava a passar
mais tempo com o meu portátil
mais tempo com o meu portátil
do que com qualquer ser humano.
01:18
than I did with any other human.
19
66257
2229
01:20
Yet despite this intimacy, my laptop
had absolutely no idea how I was feeling.
had absolutely no idea how I was feeling.
20
68486
4853
Mas, apesar da intimidade,
o meu portátil não fazia ideia nenhuma
de como eu me sentia.
de como eu me sentia.
01:25
It had no idea if I was happy,
21
73339
3211
Não sabia se eu estava feliz,
se estava a ter um dia mau,
se estava tensa ou confusa,
se estava tensa ou confusa,
01:28
having a bad day, or stressed, confused,
22
76550
2988
01:31
and so that got frustrating.
23
79538
2922
e isso tornou-se frustrante.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
Pior ainda, quando eu comunicava
com a minha família online,
com a minha família online,
eu sentia que as minhas emoções
desapareciam no ciberespaço.
desapareciam no ciberespaço.
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
01:44
I was homesick, I was lonely,
and on some days I was actually crying,
and on some days I was actually crying,
26
92703
5155
Eu estava com saudades de casa, solitária,
e, às vezes, até chorava,
e, às vezes, até chorava,
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
mas tudo o que eu tinha para comunicar
essas emoções era isto.
essas emoções era isto.
01:54
(Laughter)
28
102786
2020
(Risos)
01:56
Today's technology
has lots of I.Q., but no E.Q.;
has lots of I.Q., but no E.Q.;
29
104806
4974
A tecnologia atual tem um alto Q.I,
mas nenhum Q.E.,
mas nenhum Q.E.,
ou seja, uma alta inteligência cognitiva,
mas nenhuma inteligência emocional.
mas nenhuma inteligência emocional.
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
02:04
So that got me thinking,
31
112956
2197
Então comecei a pensar:
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
E se a nossa tecnologia pudesse
reconhecer as nossas emoções?
reconhecer as nossas emoções?
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
E se ela pudesse reconhecer
os nossos sentimentos
os nossos sentimentos
e reagir de acordo com eles,
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
do mesmo modo que um amigo
emocionalmente inteligente reagiria?
emocionalmente inteligente reagiria?
02:18
Those questions led me and my team
35
126666
3564
Estas perguntas fizeram
com que eu e a minha equipa
com que eu e a minha equipa
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
criássemos tecnologias capazes
de ler e de reagir às nossas emoções.
de ler e de reagir às nossas emoções.
O nosso ponto de partida
foi o rosto humano.
foi o rosto humano.
02:26
and our starting point was the human face.
37
134607
3090
O rosto humano é um
dos mais poderosos canais
dos mais poderosos canais
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
que utilizamos para comunicar
os estados sociais e emocionais,
os estados sociais e emocionais,
como a alegria,
02:37
everything from enjoyment, surprise,
40
145766
3010
a surpresa,
02:40
empathy and curiosity.
41
148776
4203
a empatia
e a curiosidade.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
Na ciência da emoção,
chamamos "unidade de ação"
chamamos "unidade de ação"
a cada movimento facial muscular ,
02:49
So for example, action unit 12,
43
157907
2925
Por exemplo, ''unidade de ação 12'',
— não é um grande êxito de Hollywood —
02:52
it's not a Hollywood blockbuster,
44
160832
2038
é o levantar do canto do lábio,
o principal componente de um sorriso.
o principal componente de um sorriso.
02:54
it is actually a lip corner pull,
which is the main component of a smile.
which is the main component of a smile.
45
162870
3442
Tentem, todos vocês.
Vamos ver alguns sorrisos.
Vamos ver alguns sorrisos.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Outro exemplo é a "unidade de ação 4".
É franzir a testa.
É franzir a testa.
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
03:03
It's when you draw your eyebrows together
48
171954
2238
É quando aproximamos as sobrancelhas,
e criamos várias texturas e rugas.
e criamos várias texturas e rugas.
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
Não gostamos delas, mas é
um forte indicador de emoções negativas.
um forte indicador de emoções negativas.
03:08
We don't like them, but it's
a strong indicator of a negative emotion.
a strong indicator of a negative emotion.
50
176459
4295
Temos cerca de 45 unidades de ação,
03:12
So we have about 45 of these action units,
51
180754
2206
que se combinam para exprimir
centenas de emoções.
centenas de emoções.
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
Ensinar um computador a ler
essas emoções faciais é difícil
essas emoções faciais é difícil
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
porque essas unidades de ação
podem ser rápidas, podem ser subtis,
podem ser rápidas, podem ser subtis,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
03:25
and they combine in many different ways.
55
193223
2554
e combinam-se de muita formas diferentes.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
Por exemplo, o sorriso alegre
e o sorriso irónico.
e o sorriso irónico.
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
São parecidos, mas
significam coisas muito diferentes.
significam coisas muito diferentes.
03:35
(Laughter)
58
203268
1718
(Risos)
03:36
So the smile is positive,
59
204986
3004
O sorriso alegre é positivo,
o sorriso irónico, geralmente, é negativo.
03:39
a smirk is often negative.
60
207990
1270
Às vezes o sorriso irónico
pode tornar alguém famoso.
pode tornar alguém famoso.
03:41
Sometimes a smirk
can make you become famous.
can make you become famous.
61
209260
3876
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
É importante que um computador
consiga distinguir essas duas expressões.
consiga distinguir essas duas expressões.
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
Então como fazemos isso?
03:50
So how do we do that?
64
218815
1812
Damos aos nossos algoritmos
03:52
We give our algorithms
65
220627
1787
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
dezenas de milhares de exemplos
de pessoas que sorriem alegremente,
de pessoas que sorriem alegremente,
03:58
from different ethnicities, ages, genders,
67
226524
3065
pessoas de diferentes etnias,
idades, sexos,
idades, sexos,
04:01
and we do the same for smirks.
68
229589
2811
e fazemos o mesmo com o sorriso irónico.
Usando a aprendizagem profunda,
04:04
And then, using deep learning,
69
232400
1554
04:05
the algorithm looks for all these
textures and wrinkles
textures and wrinkles
70
233954
2856
o algoritmo procura todas
essas texturas e rugas
essas texturas e rugas
04:08
and shape changes on our face,
71
236810
2580
e as mudanças de forma no nosso rosto,
e aprende que todos os sorrisos alegres
têm características em comum
têm características em comum
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
e todos os sorrisos irónicos têm
características subtilmente diferentes.
características subtilmente diferentes.
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
04:17
And the next time it sees a new face,
74
245773
2368
E quando voltar a ver um novo rosto,
ele aprende que esse rosto
04:20
it essentially learns that
75
248141
2299
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
tem as mesmas características
de um sorriso alegre e diz:
de um sorriso alegre e diz:
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
''Aha, eu reconheço isto.
Esta é uma expressão de sorriso alegre.''
Esta é uma expressão de sorriso alegre.''
04:30
So the best way to demonstrate
how this technology works
how this technology works
78
258381
2800
A melhor maneira de demonstrar
como essa tecnologia funciona
como essa tecnologia funciona
04:33
is to try a live demo,
79
261181
2136
é fazer uma demonstração ao vivo.
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
Portanto, preciso de um voluntário,
de preferência alguém com um rosto.
de preferência alguém com um rosto.
(Risos)
04:39
(Laughter)
81
267230
2334
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Cloe vai ser hoje a nossa voluntária.
04:45
So over the past five years, we've moved
from being a research project at MIT
from being a research project at MIT
83
273325
4458
Nos últimos cinco anos, passámos
de um projeto de pesquisa no MIT
de um projeto de pesquisa no MIT
04:49
to a company,
84
277783
1156
para uma empresa,
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
onde o meu grupo tem trabalhado muito
para fazer funcionar esta tecnologia,
para fazer funcionar esta tecnologia,
04:54
as we like to say, in the wild.
86
282131
2409
como gostamos de dizer, no dia-a-dia.
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
E também a reduzimos para que
o mecanismo de emoção central
o mecanismo de emoção central
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
funcione em qualquer aparelho
com câmara, como este iPad.
com câmara, como este iPad.
05:02
So let's give this a try.
89
290530
2786
Então vamos lá testá-lo.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Como podem ver, o algoritmo
encontrou o rosto da Cloe
encontrou o rosto da Cloe
05:10
so it's this white bounding box,
91
298680
1692
— é esta caixa delimitadora branca —
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
e está a procurar
os pontos principais das feições dela:
os pontos principais das feições dela:
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
as sobrancelhas, os olhos,
a boca e o nariz.
a boca e o nariz.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
A pergunta é: ''Poderá
reconhecer a expressão dela?''
reconhecer a expressão dela?''
Vamos testar a máquina.
05:20
So we're going to test the machine.
95
308786
1671
Primeiro, faz um rosto inexpressivo.
Isso, fantástico.
Isso, fantástico.
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
(Risos)
05:26
And then as she smiles,
this is a genuine smile, it's great.
this is a genuine smile, it's great.
97
314643
2813
Quando ela sorri, é um
sorriso genuíno, é ótimo.
sorriso genuíno, é ótimo.
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
Vejam a barra verde
subir quando ela sorri.
subir quando ela sorri.
Esse foi um sorriso enorme.
05:31
Now that was a big smile.
99
319756
1222
05:32
Can you try a subtle smile
to see if the computer can recognize?
to see if the computer can recognize?
100
320978
3043
Podes sorrir levemente,
para ver se o computador reconhece?
para ver se o computador reconhece?
Ele também reconhece sorrisos subtis.
05:36
It does recognize subtle smiles as well.
101
324021
2331
Trabalhámos muito para que isto aconteça.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
Agora o levantar das sobrancelhas,
que indica surpresa.
que indica surpresa.
05:40
And then eyebrow raised,
indicator of surprise.
indicator of surprise.
103
328477
2962
O franzir da testa,
que indica confusão.
que indica confusão.
05:43
Brow furrow, which is
an indicator of confusion.
an indicator of confusion.
104
331439
4249
(Risos)
05:47
Frown. Yes, perfect.
105
335688
4007
O franzir de sobrancelhas. Perfeito.
05:51
So these are all the different
action units. There's many more of them.
action units. There's many more of them.
106
339695
3493
Estas são diferentes unidades de ação.
Existem muitas outras.
Existem muitas outras.
Esta é uma demonstração reduzida.
05:55
This is just a slimmed-down demo.
107
343188
2032
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
Nós consideramos cada leitura
como um dado emocional.
como um dado emocional.
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
Podem aparecer juntos
para representar diferentes emoções.
para representar diferentes emoções.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
No lado direito da demonstração
— parece que estamos felizes.
— parece que estamos felizes.
Isso é alegria. A alegria dispara.
06:07
So that's joy. Joy fires up.
111
355990
1454
06:09
And then give me a disgust face.
112
357444
1927
Agora faz uma cara de desgosto.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
Tenta lembrar-te como te sentiste
quando Zayn saiu dos One Direction.
quando Zayn saiu dos One Direction.
(Risos)
06:15
(Laughter)
114
363643
1510
Isso, enruga o nariz. Ótimo.
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
06:21
And the valence is actually quite
negative, so you must have been a big fan.
negative, so you must have been a big fan.
116
369495
3731
A valência está muito negativa,
devias ser uma grande fã.
devias ser uma grande fã.
A valência é quão positiva
ou negativa é uma experiência,
ou negativa é uma experiência,
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
e o envolvimento é
quão expressiva é a pessoa.
quão expressiva é a pessoa.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Imaginem se Cloe tivesse acesso
a este fluxo digital de emoções,
a este fluxo digital de emoções,
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
e pudesse partilhar isso
com quem ela quisesse.
com quem ela quisesse.
06:36
Thank you.
121
384935
2923
Obrigada.
(Aplausos)
06:39
(Applause)
122
387858
4621
06:45
So, so far, we have amassed
12 billion of these emotion data points.
12 billion of these emotion data points.
123
393749
5270
Até agora, já acumulámos 12 mil milhões
destes dados emocionais.
destes dados emocionais.
É o maior banco de dados
emocionais do mundo.
emocionais do mundo.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
Fomos buscá-los a 2,9 milhões
de vídeos de rostos,
de vídeos de rostos,
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
de pessoas que aceitaram partilhar
as suas emoções connosco,
as suas emoções connosco,
06:59
and from 75 countries around the world.
127
407193
3205
de 75 países em todo o mundo.
07:02
It's growing every day.
128
410398
1715
Ele está a crescer todos os dias.
07:04
It blows my mind away
129
412603
2067
Eu fico espantada com o fato de que
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
hoje em dia podemos quantificar
uma coisa tão pessoal como as emoções
uma coisa tão pessoal como as emoções
07:09
and we can do it at this scale.
131
417865
2235
e podemos fazer isso a este nível.
07:12
So what have we learned to date?
132
420100
2177
Então o que é que aprendemos até agora?
07:15
Gender.
133
423057
2331
Diferenças entre sexos.
Os nossos dados confirmam uma coisa
que vocês talvez suspeitem.
que vocês talvez suspeitem.
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
As mulheres são mais expressivas
do que os homens.
do que os homens.
07:21
Women are more expressive than men.
135
429034
1857
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
Sorriem-se mais,
e os sorrisos delas duram mais tempo.
e os sorrisos delas duram mais tempo.
07:25
and we can now really quantify
what it is that men and women
what it is that men and women
137
433574
2904
Podemos quantificar
a que é que homens e mulheres
a que é que homens e mulheres
07:28
respond to differently.
138
436478
2136
reagem de modo diferente.
07:30
Let's do culture: So in the United States,
139
438614
2290
Vamos contribuir para a cultura:
Nos Estados Unidos,
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
as mulheres são 50% mais expressivas
do que os homens
do que os homens
07:36
but curiously, we don't see any difference
in the U.K. between men and women.
in the U.K. between men and women.
141
444108
3645
mas, curiosamente, não vemos diferença
no Reino Unido entre homens e mulheres.
no Reino Unido entre homens e mulheres.
07:39
(Laughter)
142
447753
2506
(Risos)
07:43
Age: People who are 50 years and older
143
451296
4027
Idade: As pessoas com 50 anos ou mais
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
são 25% mais emotivas
do que as pessoas jovens.
do que as pessoas jovens.
As mulheres na faixa dos 20 anos sorriem
mais do que os homens da mesma idade,
mais do que os homens da mesma idade,
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
talvez seja uma necessidade
para arranjar namoro.
para arranjar namoro.
07:55
perhaps a necessity for dating.
146
463751
3839
Mas talvez o que mais nos surpreendeu
em relação a estes dados
em relação a estes dados
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
é que nós somos expressivos o tempo todo,
mesmo quando estamos sentados sozinhos
em frente dos nossos computadores,
em frente dos nossos computadores,
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
e não é só quando assistimos
a vídeos de gatos no Facebook.
a vídeos de gatos no Facebook.
Somos expressivos quando enviamos e-mails
e mensagens, quando compramos online,
e mensagens, quando compramos online,
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
08:15
or even doing our taxes.
152
483227
2300
e até quando fazemos
a declaração de impostos.
a declaração de impostos.
08:17
Where is this data used today?
153
485527
2392
Onde é que esses dados são usados hoje?
08:19
In understanding how we engage with media,
154
487919
2763
Para compreender
como nos envolvemos com os media;
como nos envolvemos com os media;
para compreender os fenómenos virais
e o comportamento eleitoral;
e o comportamento eleitoral;
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
e também nas tecnologias
que reforçam ou provocam emoções.
que reforçam ou provocam emoções.
08:27
and I want to share some examples
that are especially close to my heart.
that are especially close to my heart.
157
495906
4621
Quero mostrar-vos alguns exemplos
que considero muito especiais.
que considero muito especiais.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
Óculos que reconheçam emoções
podem ajudar indivíduos
podem ajudar indivíduos
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
que possuem deficiente visão
a ler o rosto dos outros.
a ler o rosto dos outros.
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
Podem ajudar indivíduos do espetro
autista a interpretar emoções,
autista a interpretar emoções,
que é uma coisa
em que eles têm muita dificuldade.
em que eles têm muita dificuldade.
08:43
something that they really struggle with.
161
511680
2778
Na área do ensino, imaginem se
os aplicativos educacionais
os aplicativos educacionais
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
08:50
sense that you're confused and slow down,
163
518777
2810
percebam que estamos confusos
e abrandem de velocidade
e abrandem de velocidade
08:53
or that you're bored, so it's sped up,
164
521587
1857
ou que estamos aborrecidos
e avancem mais depressa,
e avancem mais depressa,
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
como faria um bom professor na aula.
08:59
What if your wristwatch tracked your mood,
166
527043
2601
E se o nosso relógio detetasse
a nossa disposição?
a nossa disposição?
09:01
or your car sensed that you're tired,
167
529644
2693
Ou se o nosso carro sentisse que
estamos cansados?
estamos cansados?
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
Ou o nosso frigorífico percebesse
que estamos nervosos
que estamos nervosos
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
e trancasse automaticamente
para impedir que comamos demais?
para impedir que comamos demais?
(Risos)
Eu adoraria isso.
09:12
I would like that, yeah.
170
540951
2717
09:15
What if, when I was in Cambridge,
171
543668
1927
E se, quando eu estava em Cambridge,
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
eu tivesse tido acesso ao
meu fluxo de emoções em tempo real
meu fluxo de emoções em tempo real
09:19
and I could share that with my family
back home in a very natural way,
back home in a very natural way,
173
547908
3529
e pudesse partilhar isso
com a minha família de modo natural,
com a minha família de modo natural,
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
tal como faria se estivéssemos
todos juntos na mesma sala?
todos juntos na mesma sala?
09:27
I think five years down the line,
175
555408
3142
Eu acho que, daqui a 5 anos,
todos os nossos aparelhos
terão um chip emocional.
terão um chip emocional.
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
09:32
and we won't remember what it was like
when we couldn't just frown at our device
when we couldn't just frown at our device
177
560887
4064
Nem nos vamos lembrar como era não poder
franzir testa para o computador
franzir testa para o computador
09:36
and our device would say, "Hmm,
you didn't like that, did you?"
you didn't like that, did you?"
178
564951
4249
e ele responder:
''Hmm, não gostaste disto, pois não?.''
''Hmm, não gostaste disto, pois não?.''
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
O nosso maior desafio é que há
tantas aplicações desta tecnologia
tantas aplicações desta tecnologia
que a minha equipa e eu percebemos que
não podemos montar tudo sozinhos.
não podemos montar tudo sozinhos.
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
Assim, tornámos disponível esta tecnologia
para que outras pessoas
para que outras pessoas
09:51
can get building and get creative.
182
579360
2114
possam começar a construir e a criar.
09:53
We recognize that
there are potential risks
there are potential risks
183
581474
4086
Sabemos que há riscos potenciais
09:57
and potential for abuse,
184
585560
2067
e há potencial para abusos,
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
mas, pessoalmente, como trabalhei
nisto durante muitos anos,
nisto durante muitos anos,
10:02
I believe that the benefits to humanity
186
590576
2972
acredito que os benefícios
para a humanidade
para a humanidade
de termos uma tecnologia
emocionalmente inteligente
emocionalmente inteligente
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
10:07
far outweigh the potential for misuse.
188
595823
3576
são muito maiores que o potencial
para uso indevido.
para uso indevido.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
Convido todos vocês para
participar nessa discussão.
participar nessa discussão.
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
Quanto mais pessoas souberem
sobre esta tecnologia,
sobre esta tecnologia,
10:16
the more we can all have a voice
in how it's being used.
in how it's being used.
191
604484
3177
mais força terá a nossa voz
quanto à forma como for usada.
quanto à forma como for usada.
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
À medida que a nossa vida
é cada vez mais digital,
é cada vez mais digital,
10:25
we are fighting a losing battle
trying to curb our usage of devices
trying to curb our usage of devices
193
613655
3498
travamos uma luta perdida ao tentar
restringir o nosso uso de tecnologias
restringir o nosso uso de tecnologias
10:29
in order to reclaim our emotions.
194
617153
2229
para reivindicar as nossas emoções.
Em vez disso, quero introduzir
as emoções na nossa tecnologia
as emoções na nossa tecnologia
10:32
So what I'm trying to do instead
is to bring emotions into our technology
is to bring emotions into our technology
195
620622
3914
10:36
and make our technologies more responsive.
196
624536
2229
e tornar a nossa tecnologia mais recetível.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
Quero que estes aparelhos
que nos separaram
que nos separaram
10:41
to bring us back together.
198
629435
2462
nos unam novamente.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
Ao humanizar a tecnologia,
temos uma oportunidade perfeita
temos uma oportunidade perfeita
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
para re-imaginar como
nos relacionamos com máquinas
nos relacionamos com máquinas
10:51
and therefore, how we, as human beings,
201
639782
4481
e, portanto, como nós,
enquanto seres humanos,
enquanto seres humanos,
nos relacionamos uns com os outros.
10:56
connect with one another.
202
644263
1904
10:58
Thank you.
203
646167
2160
Obrigada.
11:00
(Applause)
204
648327
3313
(Aplausos)
ABOUT THE SPEAKER
Rana el Kaliouby - Computer scientistWhat if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware.
Why you should listen
Rana el Kaliouby, chief science officer and co-founder of Affectiva, an MIT Media Lab spin-off, is on a mission to bring emotion intelligence to our digital experiences. She leads the company's emotion analytics team, which is responsible for developing emotion-sensing algorithms and mining the world's largest emotion data database. So far, they've collected 12 billion emotion data points from 2.9 million face videos from volunteers in 75 countries. The company’s platform is used by many Fortune Global 100 companies to measure consumer engagement, and is pioneering emotion-enabled digital apps for enterprise, entertainment, video communication and online education.
Entrepreneur magazine called el Kaliouby one of “The 7 Most Powerful Women To Watch in 2014,” and the MIT Technology Review included her in their list of the “Top 35 Innovators Under 35.”
Rana el Kaliouby | Speaker | TED.com